Machine Learning optimiert Ausbau der Elektromobilitaet

Was zunächst einfach klingt, gestaltet sich in der Realität als echte Herausforderung: Der Ausbau des Ladenetzes für Elektroautos. Wer auf nachhaltige Lösungen setzt, muss die passenden Ladesäulen an den strategisch richtigen Stellen platzieren. Einfache Analysen nutzen dafür klassische Parameter aus Volkswirtschaftslehre und Netzplanung. Aufgrund sozioökonomischer Entwicklungen prognostizieren sie, wo die größte Zahl von Elektroautos zugelassen werden wird und versuchen daraus den Bedarf an Ladesäulen zu errechnen. In der Praxis stellt sich dieses Verfahren jedoch in den meisten Fällen als ungenau dar. Viel entscheidender sind die aktuellen Verkehrsflüsse, Umgebungsparameter und vorhandene Infrastrukturen, wie Sebastian Gütgemann, Data Scientist Location Analytics bei mayato, ermittelte.

Sven Hensen, Managing Partner bei mayato erklärt: „Die mayato eCharging Location-Lösung stellte schon mehrfach unter Beweis, wie treffend die ermittelten Standorte sind. Der große Vorteil liegt darin, dass auch die Art des Ladeverfahrens bei der Suche nach einem geeigneten Standort berücksichtigt wird.“

Ultra-schnelles, schnelles und herkömmliches Laden werden nicht nur an unterschiedlichen Lokationen nachgefragt, sie stellen auch jeweils andere Anforderungen an die vorhandene Infrastruktur wie beispielsweise die Kapazität der Stromanschlüsse bei Schnellladevorgängen oder die volatile Nachfrage. Auch das Problem von Schnellladesäulen, die durch fertig geladene Fahrzeuge blockiert werden, wird in die Planungen einbezogen. Insgesamt berücksichtigt die eCharging-Location-Lösung mehr als 400 unterschiedliche Parameter. Die individuellen Anforderungen regionaler Versorgungsunternehmen lassen sich ebenso abbilden, wie die Gegebenheiten deutschlandweit aktiver Dienstleister, die eine eigenes Netzwerk an Ladesäulen aufbauen möchten.